美光7450 NVMe SSD现已支持OCP 2.0
2022年10月20日,中国上海 — Micron Technology Inc.(美光科技股份有限公司,纳斯达克股票代码:MU)近日宣布为其 7450 NVMe SSD 推出符合“开放计算项目数据中心 NVMe SSD 2.0” (OCP SSD 2.0)规范的全新固件[1]。美光采用最新的 OCP 规范以实现智能管理,从而能够快速、主动地优化和解决常见的数据中心问题,同时为企业数据中心带来云数据中心级别的能力。7450 SSD在升级最新固件后,将继续提供业界最灵活的部署选项(包括 U.2/U.3、E1.S 和M.2 等外形尺寸)、更低的延迟和更高的服务质量。
美光副总裁兼数据中心存储业务部门总经理Alvaro Toledo表示:“数据中心运营商部署高服务质量的固态硬盘能够获得巨大的价值,同时能简化操作并加速问题的解决。作为存储行业的领导者,美光很自豪能够帮助各类规模的客户从中受益。此次升级将使云数据中心和企业数据中心运营商进一步加快产品上市时间,并降低运营成本。”
美光7450 SSD采用OCP SSD 2.0规范,能够提供智能化管理、性能优化、无缝集成和错误处理[2]。延迟监控可实现对延迟问题的跟踪、诊断和补救,帮助提高性能。
此外,管理指令允许对命名空间和安全等功能进行标准化控制,更容易与符合OCP规范的管理系统进行集成。7450 SSD的错误恢复和错误注入功能兼容OCP SSD 2.0规范,能够快速恢复硬盘并模拟数据中心中经常遇到的错误[3]。
此次里程碑式的升级将曾经专属于云数据中心的存储功能通过全球 OEM 厂商拓展至企业数据中心。美光7450 SSD拥有行业领先的外形尺寸选项,容量选择从400GB 到 15.36TB,并具有数据保护安全功能,是企业数据中心的理想之选。采用OCP SSD 2.0的美光7450 SSD现已向部分客户出货。了解详情,敬请访问micron.com/7450。
客户评价
HPE(Hewlett Packard Enterprise)未来存储架构师Paul Kaler表示:“HPE的计算类客户认为OCP规范具有诸多优势,企业和超大型数据中心利用核心固件能实现更多特性、更高质量,并快速获得由 HPE 和美光等公司引入市场的前沿功能。美光 7450 SSD支持 OCP NVMe 数据中心 SSD 2.0规范就是最好的例子。”
Meta 公司硬件系统工程师Ross Stenfort表示:“充满挑战性的超大型数据中心需求推动了行业创新,例如E1.S 外形规格以及OCP 数据中心 NVMe 2.0规范。美光7450 SSD支持E1.S和OCP 数据中心 NVMe 2.0规范,有利于促进超大规模数据中心领域的创新。”
微软Azure平台架构高级总监Jason Adrian表示:“微软Azure是超大规模云硬件设计和开源硬件开发模型的领导者。美光7450 SSD凭借云数据中心级别的性能和延迟,以及对OCP NVMe 数据中心 SSD 2.0规范的支持,帮助我们扩大了创新的影响力。”
[1] 关于>>开放计算项目—基于OCP数据中心NVMe SSD规范2.0第4.12节错误恢复以及附录C:datacenter-nvme-ssd-specification-v2-0r21-pdf (opencompute.org)的延迟监测。
[2] 关于>>开放计算项目—基于OCP数据中心NVMe SSD规范2.0第4.12节错误恢复以及附录C:datacenter-nvme-ssd-specification-v2-0r21-pdf (opencompute.org)的延迟监测。
[3] 关于>>开放计算项目—基于OCP数据中心NVMe SSD规范2.0第4.12节错误恢复。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。